UNIVERZITET U NIU

ELEKTRONSKI FAKULTET NI

Seminarski rad

Mentor Student
Prof. Zoran Peri Stefan Simonovi
Jelena Nikoli broj indeksa 13071

Ni, 2017.
 SADRAJ

UVOD.........................................................................................................................................3

1. UNIFORMNI KVANTIZER..................................................................................................4
1.1. Srednja snaga uma pri neuniformnom kvantovanju.......................................................6
1.2. Segmentna karakteristika kompresije..............................................................................7

2. DEO PO DEO UNIFORMNI SKALARNI KVANTIZER.....................................................8

2.1. Model sistema.................................................................................................................9
2.2. Performanse kvantizera.................................................................................................11
2.3. Numeriki rezultati........................................................................................................12

3. ANALIZA KVANTIZERA LAPLASOVE RASPODELE SA PROMENLJIVOM

DUINOM KODNIH REI ZA MALE BRZINE...................................................................15

4. KODOVI FIKSNE I PROMENLJIVE DUINE.................................................................16

4.1. Hafmanovo kodiranje....................................................................................................18

ZAKLJUAK...........................................................................................................................19

LITERATURA..........................................................................................................................21

2
 UVOD
Kompresija signala omoguava znaajno smanjenje propusnog opsega potrebnog za
prenos digitalnog signala, zadravajui pri tome njegov percipirani kvalitet. Tehnike
kompresije signala generalno mogu da se podele u 2 velike kategorije:
- tehnike kompresije bez gubitaka (lossless compression) i
- tehnike kompresije sa gubicima (lossy compression).

Kod kompresije bez gubitaka posle procesa kodovanja i dekodovanja dobija se signal
koji je identian originalnom ulaznom signalu. Ove tehnike uglavnom se zasnivaju na nekoj
vrsti entropijskog kodovanja kod kog se umesto kodova fiksne duine koriste kodovi kod
kojih duina svakog koda odgovara koliini informacije koju odgovarajui element signala
nosi, ime se iz signala eliminie redundansa, odnosno elementi signala koji ne nose nikakvu
korisnu informaciju.

Dve metode entropijskog kodovanja koje se najee koriste u praksi su Hafmanov

(Huffman) kod i aritmetiko kodovanje. S druge strane, kod kompresije sa gubicima posle
kodovanja i dekodovanja dobija se signal koji nije istovetan sa originalnim signalom, ve ima
odreeno izoblienje.

Osnovna ideja kod ovih tehnika kompresije je da se izvri kvantizacija signala,

odnosno da se kompresovani signal koduje sa manjim brojem bita nego originalni signal, ali
tako da izoblienje signala bude to je mogue manje primetno. U kompresiji audio signala
ovo se postie korienjem razliitih psihoakustikih efekata, pre svega efekta maskiranja.
Kada u zvunom signalu postoji komponenta relativno velike snage na nekoj frekvenciji, prag
ujnosti u okolini ove frekvencije se podie, ime se poveava i snaga kvantizacionog uma
koju je mogue uneti u maskirani opseg frekvencija bez velikog uticaja na percipirani kvalitet.

Poto raspodela uma kvantizacije direktno zavisi od amplitudskog spektra

kompresovanog signala, jasno je da se kvantizacija mora vriti u frekvencijskom domenu.
Iako se za obradu signala u frekvencijskom domenu najee koristi diskretna Furijeova
transformacija, ona zbog nekih svojih osobina ne predstavlja dobar izbor kada je u pitanju
kompresija signala.

3
 1. UNIFORMNI KVANTIZER
Uniformni kvantizer, kao to i samo ime kae, ima uniformno podeljen opseg tj. na
segmente iste irine, dok sa neuniformnim kvantizerom to nije sluaj. Ovo je i osnovni razlog
zbog koga se moe rei da je projektovanje uniformnih kvantizera jednostavnije od
projektovanja neuniformnih.

Najjednostavniji tip kvantizera je uniformni kvantizer. Svi intervali kvantizacije

(segmenti) su iste veliine (irine), izuzev dva poslednja spoljna intervala, to znai da su
nivoi odluivanja xi (i=1,...,N-1) podjednako razmaknuti, dok x0-, a xN (ovo e
vaiti i u sluaju neuniformnog kvantizera). Reprezentacioni nivoi yj (j=1,...,N) su na istom
rastojanju na kom se nalaze i nivoi kvantizacije.

Opti model bilo kog neuniformnog kvantizera je dat na slici 1. Ulazni signal x se
dovodi na kompresor opisan monotonom nelinearnom funkcijom G i dobija se izlazni signal
y=G(x), koji se onda dovodi na uniformni kvantizer, ime se dobija izlaz a na kraju se on
konano transformie nelinearnom funkcijom G-1.

Slika 1. Kompandorski model neuniformne kvantizacije

Krajnji (nelinearni) kvantizirani izlazni signal je =G-1() nelinearni funkcijski blok

zovemo kompresor, a blok sa inverznom funkcijom zovemo ekspandor, ova terminologija je
uobiajena. Ulazni signali koji imaju velike amplitude se komprimuju a signali malih
amplitude se poveavaju [3]. Ekspandor vri obrnut proces, pa on poveava velike amplitude.
Termin kompandor je nastao iz kombinacije rei kompresor i ekspandor i odnosi se na ukupnu
strukturu neuniformnog kvantizera koja se sastoji od kompresora, uniformnog kvantizera, i
ekspandora koji su vezani redno.

Slika 2. Uniformna kvantizacija sa 12 koraka kvantizacije

4
 Uniformna kvantizacija predstavlja optimalno reenje u sluajevima kada je funkcija
gustine verovatnoe amplituda prenoenog signala konstantna. Kod realnih signala (kao to su
govor, slika itd.) ovaj uslov nije ispunjen i po pravilu se koristi neuniformna kvantizacija.

Neuniformnu kvantizaciju karakterie promenljiv korak kvantizacije, koji treba

prilagoditi trenutnim vrednostima signala. Da bi se ispratile promene signala korak
kvantizacije je manji za manje trenutne vrednosti signala, a vei za vee trenutne vrednosti
signala. Na taj nain relativna greka kvantizacije svakog odbirka moe da ostane priblino
ista, odnosno neuniformna kvantizacija omoguava smanjenje uma kvantizacije [2]. U
neuniformne postpuke kvantizacije spadaju optimalna kvantizacija i kvantizacija sa
kompresijom.

Slika 3. Uniformna kvantizacija audio signala

Pri optimalnoj kvantizaciji odreuju se optimalne vrednosti kvantizacionih koraka

(nivoa). Ove optimalne vrednosti se odreuju na osnovu ulaznog signala i njegove funkcije
gustine verovatnoe amplitude. Izrazi za odreivanje optimalnih kvantizacionih nivoa se esto
oznaavaju i kao Llo yd-Max-ovi uslovi.

Korienjem optimalnih kvantizacionih nivoa smanjuje se um kvantizacije. Za manje

vrednosti signala koriste se manji koraci kvantizacije, a za vee vrednosti signala vei koraci
kvantizacije, ime je odnos S/N kvantizacije znaajno poboljan za signale manjih vrednosti,
a neznatno pogoran za signale veih vrednosti.

5
 1.1. Srednja snaga uma pri neuniformnom kvantovanju

Na osnovu analize koja je izvrena u [2], poi emo od sledeeg izraza za distorziju:

Poto je verovatnoa da e se trenutna vrednost ulaznog signala zatei u intervalu (s) i

jednaka:

moemo izraz (1) napisati u obliku:

Ovo je fundamentalni rezultat: srednja snaga uma pri neuniformnom kvantovanju

jednaka je jednoj dvanajstini prosenog kvadrata amplitudskog kvanta ulaznog signala. Na
osnovu analize u malopre pomenutom radu pokazano je da se (s)i moe izkazati kao:

Tako smo nali da je veliina i-tog amplitudskog kvanta ulaznog signala obrnuto
proporcijalna strmini karakteristike kompresije u sredini tog kvanta [1]. Zamenom etvrtog
izraza u prvi dobijamo:

jer je du/ds=f(s). Pod uinjenom predpostavkom da su amplitudski kvanti (s) i mali,

poslednju jednainu moemo zapisati u konanom obliku:

6
 Ova jednaina nam pokazuje kako srednja snaga uma kvantovanja zavisi od oblika
karakteristike kompresije. Ova jednaina takoe javno prikazuje da u sluaju kada su
parametri kompresora i kvantizera fiksirani, tj. kada je zadato: u=f(s), A Q-srednja snaga uma
kvantovanja zavisi iskljuivo od statistike raspodele trenutnih vrednosti ulaznog signala.

Slika 4. Poreenje optimalne i uniformne kvantizacije

1.2. Segmentna karakteristika kompresije

Ideja da se kontinualna karekteristika kompresije zameni konanim brojem
pravolinijskih segmenata dala je nov podsticaj ideje o integrisanoj digitalnoj mrei u kojoj
praktino neogranieno veliki broj ,, kodeka (tj., kodera i dekodera) treba da ima identine
karakteristike kompandovanja [5].

Sa stanovita konstantnosti odnosa signal-um kvantovanja, najbolje rezultate daje

kvazilogaritamska -karakteristika i njena semilogaritamska bliznakinja pod imenom ,, A-
zakon . Zbog toga je ITU preporuio dve standardne segmentne karakteristike kompresije:
- karakteristiku -255/15 koja aproksimira sa 15 segmenata kontinualnu
kvazilogaritamsku -krivu i
- karakteristiku A-87,6/13 koja aproksimira sa 13 segmenata kontinualnu
semilogaritamsku A-krivu.

Ova poslednja karakteristika preporuena je i za meunarodne veze u Evropi i za sve

internacionalne linije koje spajaju PCM mree razliitih zakona kompandovanja. Kod
kontinualnog kvantovanja javlja se problem asimetrije, koji se donekle reava upotrebom
poluprovodnikih dioda u samoj izradi kvantizera. Meutim, upotreba poluprovodnikih

7
dioda kao osnovnih elemenata u kompresoru i ekspandoru stvara nekoliko ozbiljnih
inenjerskih problema:
1. Teko je u praksi pronai dve identine diode sa potpuno istim karakteristikama tako
da se ne mogu dobiti komplementarne karakteristike kompresora i ekspandora.
2. Kompresor i ekspandor moraju se briljvo termostirati da temperaturne promene
ambijenta ne bi dovele do promene temperaturnog potencijala dioda a time i do
neusklaenosti karakteristika. To je dovelo do korienja segmentne karakteristike u
praksi.

2. DEO PO DEO UNIFORMNI SKALARNI KVANTIZER

Postupkom skalarnog kvantovanja trenutna vrednost pobudnog signala, koja u optem
sluaju pripada neizbrojivom skupu vrednosti iz kontinualnog amplitudskog opsega,
transformie se u najbliu dozvoljenu vrednost iz konanog, diskretnog skupa od N amplituda
[1-4]. Skalarni kvantizer je prema tome jednoznano odreen dozvoljenim izlaznim nivoima
koji se nazivaju reprezentacionim nivoima i podelom ulaznog opsega vrednosti u N elija ili
kvantizacionih intervala [1-4]. U zavisnosti od toga da li je veliina ovih kvantizacionih
intervala, odnosno amplitudskih kvanata, jednaka ili ne, definisana je opta podela skalarnih
kvantizera na uniformne i neuniformne kvantizere [1-4]. Uniformno kvantovanje je povoljno
samo ako je funkcija gustine verovatnoe trenutnih vrednosti ulaznog signala priblino
uniformna u celokupnom amplitudskom opsegu kvantizera [-xmax, xmax]. Kako je brojnim
statistikim merenjima pokazano da su kod mnogih telekomunikacionih signala manje
trenutne vrednosti verovatnije nego vee, te da uniformni kvantizer za takve signale nije
optimalan u smislu odnosa signal-um kvantovanja, prednost je na strani neuniformnih
kvantizera koje karakterie nejednaka veliina amplitudskih kvanata [1-4]. Uzimajui u obzir
injenicu da se postupkom neuniformnog kvantovanja velike trenutne vrednosti signala
relativno grubo kvantuju i time stvaranju veliki trenutni um kvantovanja, ali i da je
verovatnoa njihovog pojavljivanja mala, njihov uticaj bie u proseku manji tako da nee
primetno poveati usrednjenu vrednost odnosa signal-um kvantovanja. Kako je veliina
amplitudskih kvanata odreena maksimalnom amlitudom optereenja kvantizera xmax, u
radovima [5-7] izvedene su detaljne analize na osnovu kojih se moe sagledati vanost izbora
maksimalne amplitude optereenja kvantizera. U pomenutim radovima analiziran je uticaj
izbora maksimalne amplitude na performanse skalarnih kvantizera koji su projektovani za
Laplasov izvor jedinine snage. Kako je cilj ovoga rada predloiti model kvantizera koji bi se
potencijalno mogao primeniti pri obradi realnih govornih signala, koje karakterie
nestacionarnost tj. promenljivost srednje snage u irokom opsegu [1, 3], radi maksimizacije
kvaliteta primljenog govora za specificirane brzine prenosa, opredelili smo se za korienje
adaptivnih tehnika odnosno kvantizera koji se stalno u toku kvantizacije adaptiraju na lokalne
statistike karakteristike izvora. Konceptulna razlika adaptivnih tehnika ogleda se u tome da li
se adaptacija vri na osnovu niza odmeraka koji treba da se kvantuju tek posle posmatarnog
odmerka ili se pak adaptacija vri na osnovu niza odmeraka koji su prethodili posmatranom
odmerku i ije je kvantovanje u trenutku nailaska posmatranog odmerka zavreno [1, 3, 8, 9].
Tako razlikujemo adaptaciju unapred i adaptaciju unazad. Opredelili smo se za tehniku
adaptacije unazad koja za razliku od tehnike adaptacije unapred ne zahteva prenos tzv.
dodatne informacije koja zapravo predstavlja informaciju o adaptaciji [1, 3, 8, 9]. Koristiemo

8
koncept Jayantovog kvantizera [1] koji adaptaciju maksimalne amplitude optereenja
uniformnog kvantizera izvodi na osnovu memorijom od jedne rei, tj. na osnovu prethodno
kvantovanog odmerka. Obzirom da emo panju fokusirati na unazad adaptivnoj
neuniformnoj kvantizaciji, u cilju kako jednostavnijeg projektovanja tako i implementacije,
predloiemo linearizovani model adaptivnog kvantizera za koji kaemo da je deo po deo
uniforman iz razloga to je amplitudski opseg ovog kvantizera podeljen na nejednake
segmente u okviru kojih se primenjuje princip uniformne kvantizacije. Konano, kako bismo
ukazali na dobitak predloenog modela, u pogledu odnosa signal-um kvantizacije u odnosu
na Jayantov model kvantizera, u radu emo uvesti faktor porasta veliine amplitudskih kvanta
, 12, koji kada uzima jedininu vrednost definie Jayantov model kvantizera.

2.1. Model sistema

U ovom poglavlju detaljno emo opisati model unazad adaptivnog deo po deo
uniformnog skalarnog kvantizera koji adaptaciju maksimalne amplitude optereenja ostvaruje
na osnovu memorije od samo jedne rei. Naime, deo po deo uniformni skalarni kvantizer je
definisan deo po deo linearnom kompresorskom funkcijom koja deli amplitudski opseg
kvantizera na po L segmenata u oba kvadranta, pri emu je svaki od segmenata uniformno
podeljen na jednak broj elija nunif, ije se veliine od segmenta do segmenta razlikuju (Sl. 5.).
Novina ovoga rada ogleda se u uvoenju koeficijenta porasta veliine elija unutar susednih
segmenata koji emo nazvati koeficijentom porasta veliine amplitudskih kvanata i oznaiti sa
. Za vrednosti ovog koeficijenta u opsegu 12, u narednom poglavlju prikazaemo analizu
performansi kvantizera projektovanih prema predloenom modelu kako bi utvrdili ne samo
optimalnu vrednost ovog koeficijenta nego i dobitak u odnosu na Jayantov model kvantizera
koji odgovara sluaju kada su veliine elija unutar susednih segmenata jednake, odnosno
kada je faktor porasta veliine amplitudskih kvanta =1. Uvoenjem pomenutog koeficijenta
zapravo definiemo zavisnost veliine amplitudskog kvanata i(n) unutar i-tog segmenta od
veliine bazinog amplitudskog kvanta (n), koji odgovara prvom segmentu:

i ( n )= i1 ( n ) , i=1,2,. .. ,L . (1)

Slika 5. Ilustracija deo po deo linearne kompresorske funkcije

Napomenimo da emo zbog simetrije nadalje razmatrati samo prvi kvadrant i da n
ukazuje na redni broj odmerka koji se kvantuje. Uvedeni bazini amplitudski kvant (n):

9
 x max ( n )
( n )= L
nunif i1
i=1 , (2)

odreen je veliinom amplitude maksimalnog optereenja xmax(n), koju odreuju faktor

2
relativnog opsega kvantizera k i procenjena varijansa signala ^ y ( n ) :

x max ( n )=k ^ y ( n ) . (3)

Kako smo se opredelili za korienje Jayant-ovog koncepta pri adaptaciji maksimalne

amplitude optereenja predloenog modela kvantizera, predpostaviemo da vai ista
zakonitost pri estimaciji varijanse [1]:

( 1 ) + m1 2
^ 2y ( n )= y ( nm )
( 1+ ) m=1 , (4)

pri emu je 0<<1, a m-1 predstavlja teinu, tj. uticaj prethodno kvantovanih odmeraka y(n-m)
m=1,2,... na estimaciju varijanse signala u posmatranom trenutku. Na osnovu poslednje
jednaine moe se izraziti procenjena varijansa u n-1-vom trenutku i izvesti rekurentna
relacija:

^ 2y ( n )= ( 1
1+ )
2
y ( n1 )+ ^ ( n1 ) 2
y
, (5)

na osnovu koje je oigledno da se estimacija varijanse, odnosno adaptacija amplitude

maksimalnog optereenja vri na osnovu prethodno kvantovanog odmerka odnosno
korienjem memorije od samo jedne rei (Sl.6.). Obzirom na podelu amplitudskog opsega na
2L segmenata sa po nunif elija, pravilo kodovanja ovog kvantizera je odreeno sa:

y ij ( n )=x i1 ( n )+ j ( 12 ) ( n) i
, i=1,2,...,L , j=1,2,...,nunif ,(6)

pri emu indeksi i i j ukazuju na odgovarajuu j-tu eliju unutar i-tog segmenta kojoj pripada
pozitivna vrednost odmerka signala koji se kvantuje, a xi-1 predstavlja donju granicu i-tog
segmenta koji je definisan u granicama [xi-1, xi]:

x i1 ( n )=nunif ( n ) ( 1++ i2 ) , i=2,...,L . (7)

Napomenimo da je donja granica prvog segmenta x0=0 i da su simetrijom definisane

odgovarajue negativne vrednosti reprezenata y-ij(n)=-yij(n) i=1,...,L, j=1,...,nunif kao i granica
segmenata x-i+1(n)=-xi-1(n) i=2,...,L. Korienjem izraza (3) i (5) i primenom pravila kodovanja
(6) i (7) pri kvantovanju n-1-vog odmerka, izvodimo sledei izraz:

10
 2

[ ]
i2
1
2
^ y ( n ) 1
k n unif + j i1
2
2
q
( )
^ 2y ( n1 )
= +
1+ ( ) q=0
2

[ ]
L1
n unif p

p=0 , (8)

x(n) Adaptivni y(n) y(n-1)

kvantizer

Estimator
varijanse

Slika 6. Model unazad adaptivnog kvantizera sa memorijom od jedne rei

koji odreuje faktor mnoenja M(n-1) uveden Jayant-ovim modelom kvantizera:

M ( n1 )=
^ 2y ( n )
^ 2y ( n1 )
=
( n)
( n1 ) . (9)

Obzirom da faktor mnoenja izmeu ostalog zavisi i od izbora vrednosti koeficijenata , i k,

u jednom od narednih poglavlja ovog rada pozabaviemo se njihovim optimalnim
pronalaenjem.

2.2. Performanse kvantizera

Performanse projektovanog kvantizera najee su odreene odnosom signal-um

kvantizacije SQNR (signal to quantization noise ratio) :

2
SQNR=10 log ( )
D , (10)

koji se izraava u dB, pri emu 2 predstavlja varijansu ulaznog signala x, dok je D distorzija
uneta kvantizacijom. Postoje razliite mere izoblienja (distorzije) ali je najee koriena
mera kvadrat razlike vrednosti ulaznih odmeraka i odgovarajuih vrednosti koje se javljaju na
izlazu iz kvantizera [1-4]. Distorzija je zapravo cena koja se plaa diskretizacijom
kontinualnog amplitudskog opsega na N reprezentacionih nivoa. U optem sluaju distorzija
uneta kvantizacijom D predstavlja zbir granularne distorzije Dg i distorzije prekoraenja Dp
[1-4] koje se za predloeni model kvantizera definiu na sledei nain:

11
 i2 L
Dg =2 Pi
i=1 12 , (11)

2
D p =2 ( x y L,n ) p ( x, ) dx
unif
x
max , (12)

pri emu su amplitudski kvanati unutar i-tog segmenta i odreini jednainama (1) i (2), a
yL,nunif predstavlja reprezentacioni nivo u poslednjoj eliji L-tog segmenta:

L
y L , nunif =x max
2 . (13)

Konano p(x,) je funkcija gustine verovatnoe trenutnih vrednosti signala na ulazu

kvantizera koja definie verovatnou Pi, da odmerak signala pripada i-tom segmentu:
xi

Pi= p ( x , ) dx
xi1
. (14)

Kako je cilj ovog rada utvrditi da li predloeno reenje kvantizera predstavlja efikasno reenje
pri kvantovanju govornog signala, u narednom poglavlju ovog rada izveemo analizu
performansi uvedenog modela kvantizera za pretpostavljeni Laplasov izvor :

2|x|
1
p (x )= e
2 . (15)

2.3. Numeriki rezultati

U cilju odreivanja faktora mnoenja predloenog modela kvantizera izveemo jednu

kratku teorijsku analizu na osnovu koje emo odrediti najoptimalniju vrednost faktora
relativnog opsega kvantizera knajopt i odgovarajui koeficijent porasta veliine amplitudskih
kvanata najopt. Ideja je da se za predpostavljenu jedininu varijansu signala sa Laplasovom
funkcijom gustine raspodele verovatnoe i fiksiranu vrednost koeficijenta porasta veliine
amplitudskih kvanata , utvrdi minimum ukupne distorzije kome odgovara optimalna
amplituda maksimalnog optereenja xmaxopt koja je za sluaj kada je varijansa jedinina
upravo jednaka optimalnoj vrednost faktora relativnog opsega kopt. Kako kod predloenog
modela kvantizera koeficijent porasta veliine amplitudskih kvanata moe uzimati vrednosti
u opsegu 12, promenom ovog koeficijenta sa korakom 0.1 utvrdili smo odgovarajue
vrednosti minimuma distorzije Dmin, kao i optimalnih faktora relativnog opsega kvantizera
kopt, koji su prikazani u Tabeli 1 za bitske brzine R1=7 bita/odmerku i R2=8 bita/odmerku,
odnosno za nunif1=8 i nunif2=16, respektivno. Na osnovu numerikih vrednosti prikazanih u
Tabeli 1 moe se zakljuiti da se pri bitskoj brzini od R1=7 bita/odmerku globalni minimum
distorzije postie za koeficijent porasta veliine amplitudskih kvanata u opsegu 1.3 1.4
odnosno za faktor relativnog opsega kvantizera u opsegu 7.4kopt7.8. Ukoliko sada u ovom
opsegu ponovimo itav postupak sa deset puta manjim korakom dolazimo do rezultata koji su
prikazani na Sl.7., na osnovu kojih izvodimo zakljuak da se globalni minimum distorzije

12
Dmin postie kada su vrednosti faktora relativnog opsega kvantizera i koeficijenta porasta
veliine amplitudskih kvanata (knajopt,najopt)=(7.7,1.38).

R1=7 bita/odmerku R2=8 bita/odmerku

N=128 N=256
4 4
kopt 10 Dm kopt 10 Dm
in in
1.0 6.1 9.48 7 3
1.1 6.6 6.05 7.5 1.85
1.2 7 4.3 7.9 1.27
1.3 7.4 3.57 8.3 1
1.4 7.8 3.42 8.7 0.92
1.5 8.1 3.64 9 0.96
1.6 8.4 4.11 9.3 1.06
1.7 8.6 4.75 9.5 1.21
1.8 8.8 5.54 9.7 1.40
1.9 9 6.44 10 1.62
2.0 9.2 7.44 10.1 1.87

Tabela 1. Uporedan prikaz numerikih vrednosti koeficijenta porasta veliine amplitudskih

kvanata , optimalnih faktora relativnog opsega kvantizera kopt i odgovarajuih minimuma
distorzije Dmin pri bitskim brzinama od R1=7 bita/odmerku i R2=8 bita/odmerku

3.60

3.58

3.56

3.54

3.52
10 Dmin

3.50
-4

3.48

3.46

3.44

3.42

3.40
7.4 7.5 7.6 7.7 7.8
opt
k

Slika 7. Zavisnost minimuma distorzije Dmin od optimalnog faktora relativnog opsega

kvantizera kopt pri bitskoj brzini R1

Na slian nain pri bitskoj brzini od R2=8 bita/odmerku dolazimo do najoptimalnijih

vrednosti pomenutih parametara (knajopt,najopt)=(8.7,1.41). Korienjem na ovaj nain
odreenih parametara uz predpostavljanje dinamike govornog signala od 40 dB i referentne
varijanse ref2=1, za predloeni model kvantizera pri bitskoj brzini R1 utvrdili smo zavisnost
odnosa signal-um kvantizacije od normalizovane varijanse signala koja je prikazana na Sl. 8.
Odreivanjem usrednjene vrednosti SQNR-a (Sl.8.) i poreenjem sa odgovarajuom
vrednou dobijenom na osnovu Jayantovog modela kvantizera za =1 (Tabela 1) dolazimo

13
do rezultata da se predloenim modelom postie dobitak od 4.43 dB pri bitskoj brzini R1,
odnosno dobitak od 5.06 dB pri bitskoj brzini R2. Kako su teorijski rezultati dobijeni za
predpostavljene varijanse signala na ulazu kvantizera, bolji uvid u stvarne performanse ovog
modela ostvarujemo izvoenjem eksperimenta na realnom govornom signalu. Obradom
raspoloivog realnog govornog signala koji sadri 10200 odmeraka odmerenih frekvencijom
od 8 kHz i predpostavljanjem teinskog faktora =0.5 (Sl. 9.), pri bitskim brzinama R1 i R2
utvrdili smo dobitak u odnosu na Jayantov kvantizer u pogledu usrednjenog SQNR-a od
2.27 dB i 2.65 dB, respektivno.

35.00

34.75

34.50
SQNR [dB]

34.25 R=7 bita/odmerku

34.00

33.75

33.50

33.25

33.00
-20 -15 -10 -5 0 5 10 15 20
20log(ref) [dB]

Slika 8. Teorijski rezultat za odnos signal-um kvantizacije

120
SQNRsr=35.41 dB
100
SQNR [dB]

80

60

40

20

0
0 2000 4000 6000 8000 10000
Odmerci

Slika 9. Eksperimentalni rezultat: Ilustracija promene trenutne vrednosti odnosa signal-

um kvantizacije

14
3. ANALIZA KVANTIZERA LAPLASOVE RASPODELE
SA PROMENLJIVOM DUINOM KODNIH REI ZA
MALE BRZINE
Prvi korak u procesu digitalizacije kontinualnog analognog signala je odabiranje ili
uzorkovanje kada se u odreenim trenucima vremena uzimaju uzorci amplitude govornog
signala. Kvantizacija je drugi postupak u procesu digitalizacije analognog signala i predstavlja
proces pri kome se veliina uzorka klasifikuje u jedan odintervala kvantizacije, a potom
zaokruuje na vrednost reprezentacionog nivoa koja odgovara tom intervalu.

Uniformni kvantizer ima jednako razmaknute nivoe kvantizacije (takoe je i rastojanje

izmeu reprezentacionih nivoa jednako rastojanju izmeu nivoa kvantizacije) u celom opsegu,
to za nie vrednosti amplitude signala rezultuje veom grekom u procesu zaokruivanja. Sa
druge strane, neuniformni kvantizer zauzorke signala manje amplitude ima manji razmak
izmedju kvantizacionih nivoa, a za vee vei, to implicira i manju greku u procesu
zaokruivanja [8]. Takoe se i rastojanja izmeu reprezentacionih nivoa razlikuju u celom
opsegu. Prethodno pomenuta svojstva neuniformnog kvantizera ine ga komplikovanijim za
projektovanje, ali se zato njime unosi manja greka kvantizacije.

Najjednostavniji nain kodovanja odmeraka na izlazu kvantizera je predstavljanje

kodnim reima fiksne duine, to se svrstava u grupu tehnika kompresije sa gubicima. U cilju
podizanja kvaliteta kodovanog signala, osim pravilnog izbora kvantizera, vano je odabrati i
adekvatnu kodnu tehniku, a sve u cilju realizacije tipa kompresije bez gubitaka. Iz tog razloga
je u ovom radu za kodovanje primenjen entropijski Huffman-ov kod sa promenljivom
duinom kodnih rei. Ve je pokazano da se uniformnim kvantizerom sa Huffman-ovim
kodovanjem postie nia vrednost prosene bitske brzine (vei stepen kompresije), dok se
neuniformnim kvantizerom sa Huffman-ovim kodovanjem postie bolji odnos signal-um
kvantizacije (vei kvalitet reprodukovanog signala) [2].

Performanse kvantizera se mogu oceniti na osnovu kvaliteta reprodukovanog signala,

tj. stepena slinosti sa originalnim signalom, ili na osnovu stepena kompresije koji je njime
postignut. Na stepen kompresije, osim kvantizacije, utie kodna tehnika primenjena za
kodovanje odmeraka na izlazu kvantizera, i to putem vrednosti prosenog broja bita
upotrebljenih za predstavljanje odmeraka. Najjednostavniji nain kodovanja je onaj kada se

15
svakom odmerku na izlazu kvantizera dodeli jednak broj bita, odnosno kada se svi odmerci
predstave kodnim reima fiksne duine.

U nastavku je opisan Huffman-ov algoritam. Ako se uzme u obzir dati izvor S sa

simbolima si (i=0,1,...,q) ije su verovatnoe pojavljivanja Pi (i=0,1,...q). U konkretnom
sluaju, posmatranih kvantizera, kao simbole si (i=0,1,...q, q=N-1) moemo posmatrati
segmente iz opsega kvantizera. Verovatnoe Pi (i=0,1,...q, q=N-1) su verovatnoe
pojavljivanja segmenata unutar opsega kvantizera koje se odreuju se na sledei nain:

gde su xi nivoi odluivanja (x0-, xN). Pre nego to se ove verovatnoe ubace u
MATLAB programski kod potrebno ih je postaviti u nerastui redosled [5]. Nakon
sprovoenja algoritma dobijene su duine kodnih rei li kojima se koduju pomenuti segmenti,
a koje su neophodne za proraun srednje ili prosene bitske brzinena sledei nain:

Prosena bitska brzina, u bitima po odmerku, proruanata je za oba tipa skalarnih

kvantizera na isti nain i zajedno sa vrednostimi SQNR-a prikazana u delu sa numerikim
rezultatima.

4. KODOVI FIKSNE I PROMENLJIVE DUINE

U postupku kodiranja mogu se koristiti:
- Kodovi fiksne duine
- Kodovi promenljive duine

Karakter Frekfencija Fiksna duina Varijabilna duina Bita

a 45000 000 0 1
b 13000 001 101 3
c 12000 010 100 3
d 16000 011 111 3
e 9000 100 1101 4
f 5000 101 1100 4

Tabela 2.

16
 U sluaju upotrebe kodova fiksne duine sve kodne rei su iste duine. Za razliku od
ovih kodova, kodovi promenljive duine koriste kodne rei ija je duina varijabilna. Kodovi
promenljive duine su poeljniji sa stanovita kompresije podataka, s obzirom da se
smanjenje veliine datoteke moe postii dodeljivanjem kraih kodnih rei simbolima koji se
esto pojavljuju, a duih kodnih rei simbolima koji se ree pojavljuju.

Prefiks kodovi su kodovi promenljive duine su znaajni za kompresiju podataka.

Uslov za efikasnu primenu ovih kodova je mogunost jedinstvene identifikacije kodne rei iz
kodirane poruke. Da bi ovo bilo mogue, kod mora biti jedinstveno dekodabilan.

Kod je jedinstveno dekodabilan ako postoji samo jedan nain da se dekodira poruka.
Najefikasniji jedinstveno dekodabilni kodovi su prefiks kodovi, odnosno kodovi ija ni jedna
kodna re ne predstavlja prvi deo (prefiks) neke druge kodne rei.

Teorija informacija moe rei koliko je neki prefiks kod uspjean sa stanovita
kompresije podataka. Za mjeru efikasnosti koda se koristi odnos entropije izvora i
prosjene duine kodne rijei:

gdje je entropija:

i prosena duina kodne rijei:

Kod je optimalan ako efikasnost koda dosegne 100%, odnosno kada je prosjena
duina kodne rijei jednaka entropiji izvora. Meutim, zbog vie razloga ni jedan kod ne
moe dosegnuti ovu vrijednost efikasnosti, ali je postupak kodiranja bolji to je efikasnost
blia teorijski optimalnoj.

17
 4.1. Hafmanovo kodiranje
Hafmanovi kodovi koriste se za kompresiju podataka. Kompresijom podataka
prilikom uvanja ili prenosa se tedi na memoriji. Jedan od primera su poruke koje ine
azbuna slova. Prilikom kodovanja poruke mora se voditi rauna da procesi kodovanja i
dekodovanja budu jednostavni, a opet duina poruke treba da bude minimalna. Svaki simbol
se predstavlja nekim binarnim kodom. Sada se za svaki simbol mora odrediti verovatnoa Rh.
U ovom sluaju je najbolje da to bude verovatnoa pojavljivanja datog simbola. Zbir svih
verovatnoa mora naravno da bude 100. Svaki znak moe da ima proizvoljan kod. Zbog lakog
dekodovanja koriste se prefiksni kodovi. To znai da kod ni jednog simbola ne sme da se
koristi kao poetak koda nekog drugog simbola. Proces dekodovanja se sada svodi na to da se
kree od poetka binarne sekvence i uzima onoliko znakova koliko je potrebno da se dobije
validan kod.
Prefiksni kodovi se dobijaju primenom Hafmanovog algoritma pa se takvi kodovi jo
nazivaju i Hafmanovim kodovima. Sada svaki simbol predstavlja eksterni vor koji se stavlja
u red i od kojih se gradi stablo. Teine ovih vorova su, u stvari, njihove verovatnoe
pojavljivanja. U stablu dobijenom primenom Hafmanovog algoritma listovi su zadati simboli.
Binarni kod svakog simbola dobija se kao putanja od korena do tog simbola tako to svaki put
kada se ide u levo podstablo nekog vora u kod se ubacuje 0, a kada se ide u desno podstablo
u bacuje se 1. U binarnom stablu put do svakog eksternog vora je jedinstven pa smo time
obezbedili da dobijeni kodovi budu prefiksni.
Hafmanovo kodiranje pronalazi optimalan sistem kodiranja zasnovan na relativnoj
verovatnoi pojavljivanja svakog elementa. Predstavlja entropijsko kodiranje simbola bez
gubitka informacija. Hafmanovo kodiranje je najefikasniji metod kompresije simbola koji
nisu u tesnom odnosu, u svojoj klasi. On pripada klasi preslikavanja karaktera neke tekstualne
kolekcije u bitove za poznate verovatnoe pojavljivanja svakog karaktera. Najdui Hafmanov
kod se dobija kada se distribucija verovatnoa pojavljivanja odvija po pravilu generisanja
Fibonaijevih brojeva.

Slika 10. Hafmanovo stablo

18
 Na osnovu toga da li su verovatnoe pojavljivanja simbola poznate unapred ili se
dinamiki dobijaju tokom izvravanja algoritma, Hafmanov algoritam se deli na statiki i
dinamiki.

Statiko Hafmanovo kodiranje

Na poetku se gradi tabela verovatnoa pojavljivanja znakova koje kodiramo. Tabela
treba da bude ureena. Karakteri koji se ee javljaju kodiraju se kraim sekvencama, a oni
koji se ree koriste kodiraju se duim sekvencama. Sada se primenjuje Hafmanov algoritam
na osnovu tabele.

Dinamiko Hafmanovo kodiranje

Za razliku od statikog kodiranja gde se tabela verovatnoa pojavljivanja znakova
odreuje na poetku rada algoritma kod dinamikog se verovatnoe pojavljivanja
izraunavaju i menjaju dinamiki u toku rada algoritma.

ZAKLJUAK

Elementi potrebni za kompresiju su kompresor (ili koder) i expander (odnosno

dekoder). Koder se koristi da se koliina podataka smanji, a dekoder da se kompresovani
podaci emituju. Zajedno, ova dva ureaja se nazivaju i kodek. Odnos u veliinama
originalnog i kodiranog signala se naziva faktor kompresije. Najei sluaj je da je kodek
sistem za audio asimetrian. To znai da postoje velike razlike u kompleksnosti kodera i
dekodera. Na primeru MPEG kodeka moemo videti da je koder sainjen od komplikovanog
adaptivnog algoritma, gde su dekoderi jednostavniji.

Kompresija se zasniva na principu da je broj bitova koji protiu kroz transmisioni

kanal konstantan, ali da protok realne informacije nije. Odnosno, neki bitovi nose vie
informacije, neki manje. Moe se rei da je informacija rasuta po bitovima. Razlika u
protoku bita i protoku informacija se naziva redundancija. Sistemi za kompresiju su
dizajnirani da smanje redundanciju signala.

19
 U veini realnih signala neki njegovi delovi se mogu predvideti iz onoga to je
prethodilo ili onoga to e uslediti. Recimo, signal koji je ist sinusni talas je veoma
predvidljiv; iz njegovog ponaanja u prolosti lako zakljuujemo kako e izgledati u
budunosti.

Nasuprot njemu je um, koji je potpuno nepredvidljiv signal. Realni signali su negde
izmeu ova dva ekstrema. Ako se dizajniraju spram signala koji treba da rekreiraju (emituju),
dekoderi mogu da predvide budui izgled signala na osnovu dotadanjeg dotoka informacija.
Zbog toga koderi neke delove signala mogu da izostave, znajui da e ih dekoder rekreirati.
Ovakvi kodeci se nazivaju prediktivni kodeci.

Kod prediktivnog kodeka postoje dva identina prediktora: jedan u koderu drugi u
dekoderu. Prediktor u koderu posmatra dotadanji signal i predvia njegovu sledeu vrednost.
Ovo predvianje se unutar kodera oduzima od realne vrednosi signala to daje tzv. Rezidual
koji i biva emitovan. Dekoder sadri identian prediktor, i na sopstvenu predvienu vrednost
dodaje rezidual to daje izlaznu vrednost koja je identina originalu. Treba napomenuti da je
kod kreiranja perceptivnih kodeka faktor kompresije usko povezan sa preciznou modela
ljudskog ula sluha. to je vei faktor kompresije, potreban je i bolji psiho-akustiki model.

20
 LITERATURA
[1] G.Lukatela: Statisti~ka teorija telekomunikacija i teorija informacija, (1984), Nau~na
knjiga, Beograd.

[2] G.Lukatela, D.Draji}, G.Petrovi}, R.Petrovi}: Digitalne telekomunikacije, (1990),

Nau~na knjiga, Beograd.

[3] D.G.Jeong, D.Gibson: Uniform and piecewse uniform lattice vector quantization for
memoryless Gaussian and Laplacian sources.

[4] N. S. Jayant and P. Noll, Digital Coding Of Waveforms, Principles and Applications
to Speech and Video, New Jersey: Prentice Hall, 1984, 2nd ed., ch. 4, pp. 115-220.

[5] A. Gersho and R. M. Gray, Vector Quantization and Signal Compression, Boston,
Dordrecht, London: Kluwer Academic Publishers, 1992, ch. 9, pp. 271-276.

[6] W. Press, S. Teukolsky, W. Vetterling, B. Flannery, Numerical Recipes in C, The Art

of Scientific Computing, New York: Press Syndicate of the University of
Cambridge,1992, 2nd ed., ch. 20, pp. 903-910.

[7] M. Marcellin, M. Lepley, A. Bilgin, T. Flohr, T. Chinen, J. Kasner, An overview of

quantization in JPEG 2000, Signal Processing: Image Comunication, Vol 17, 2002,
pp. 73-84.

[8] Z. Peri, J. Nikoli, D. Pokrajac, Hybrid Scalar Quantizer for the Laplacian Source,
WSEAS Transactions on Communications., Vol. 6, No. 1, January 2007, pp. 60-65.

[9] Z. Peri, J. Nikoli, D. Pokrajac, Optimal designing scalar quantizers using a hybrid
quantization method for the Laplacian source, Proceedings of the 4th WSEAS
International Conference on Electromagnetics, Wireless and Optical
Communications., 20-22 November 2006, pp. 156-162.

[10] Z. Peri, J. Nikoli, D. Pokrajac, Designig of scalar quantizer based on the hybrid
model for the Laplacian source, Proceedings of the International Scientific Conference
on Information, Communication, and Energy Systems and Technologies ICEST 2006,
Vol. 2, June29- July 1, 2006, pp. 197-199.

21